网络功能虚拟化(Network Function Virtualization,NFV)重新定义了网络服务的方式,将网络功能从昂贵封闭的专有硬件迁移到便宜便捷的虚拟网络功能(Virtual Network Function,VNF)上,极大地降低了网络管理运维的难度和成本,提高网络的动态性和灵活性。但在NFV中实现高效的资源配置依然存在一定的挑战:首先,VNF需要排列组合成不同的服务链(Service Function Chain,SFC),为网络用户提供服务。因此VNF之间具有流量变化的影响和依赖关系,这使得服务链的部署较为棘手。其次,由于网络用户和移动设备的爆炸式增长,以及5G技术的飞速发展,下一代网络期望以敏捷、自动化和实时的方式提供服务,这对资源编排的性能提出更高的要求。因此,本论文主要研究网络功能虚拟化的服务链的动态编排,将资源编排分为两个阶段:初始化部署阶段,即服务链的放置,和资源调整阶段,即资源的弹性伸缩。在服务链部署的研究中,创新性地提出了基于深度强化学习的并行部署方案。利用深度强化学习对复杂网络结构和流量特征进行学习,为VNF选择最优的放置位置。而并行性指将不同服务链中的相同的VNF同时放置,这不仅可以强调VNF之间的关联性,还可以提高资源的利用率。另外,本文还设计了一个启发式算法旨在按比例分配资源,从而实现服务器资源和链路资源分配的均衡性。在资源弹性伸缩的研究中,创新性地提出了一种基于控制论的混合缩放机制。混合缩放将主被动策略结合,根据主动机制预测的流量负载变化做出缩减决策,避免过早释放资源;根据被动策略对服务器性能和流量的监测,结合主动式方案的预判,做出扩容决策。该缩放机制可快速响应突发的流量变化,保障服务的SLA,同时提高资源利用率,避免振荡。